fix readme of multi-task

Author: wangzhen38

doc/imgs/ple.png

@@ -77,7 +77,7 @@ ESMM是发表在 SIGIR’2018 的论文[《Entire Space Multi-Task Model: An E
 <img align="center" src="../../../doc/imgs/esmm.png">
 <p>
 
-### 效果复现
+## 效果复现
 为了方便使用者能够快速的跑通每一个模型，我们在每个模型下都提供了样例数据。如果需要复现readme中的效果,请按如下步骤依次操作即可。 
 在全量数据下模型的训练指标如下：
 | 模型 | auc_ctr | batch_size | epoch_num | Time of each epoch |

models/multitask/esmm/readme.md

@@ -76,7 +76,7 @@ MMOE模型刻画了任务相关性，基于共享表示来学习特定任务的
 <img align="center" src="../../../doc/imgs/mmoe.png">
 <p>
 
-### 效果复现
+## 效果复现
 为了方便使用者能够快速的跑通每一个模型，我们在每个模型下都提供了样例数据。如果需要复现readme中的效果,请按如下步骤依次操作即可。 
 在全量数据下模型的指标如下：
 | 模型 | auc_marital | batch_size | epoch_num | Time of each epoch |

models/multitask/mmoe/README.md

@@ -38,8 +38,8 @@
 ## 模型简介
 多任务模型通过学习不同任务的联系和差异，可提高每个任务的学习效率和质量。但在多任务场景中经常出现跷跷板现象，即有些任务表现良好，有些任务表现变差。  论文[《Progressive Layered Extraction (PLE): A Novel Multi-Task Learning (MTL) Model for Personalized Recommendations》](https://dl.acm.org/doi/abs/10.1145/3383313.3412236 ) ，论文提出了Progressive Layered Extraction (简称PLE)，来解决多任务学习的跷跷板现象。 
 
+## 模型准备
 我们在Paddlepaddle定义PLE的网络结构，在开源数据集Census-income Data上验证模型效果。
-
 数据的格式如下：
 生成的格式以逗号为分割点
 ```
@@ -70,8 +70,14 @@ python -u ../../../tools/static_infer.py -m config.yaml
 ``` 
 
 ## 模型组网
+为了解决跷跷板和负迁移的现象，[PLE](https://dl.acm.org/doi/abs/10.1145/3383313.3412236)提出了一种共享结构设计的渐进式分层提取模型。其包含两部分， 一部分是一种显式区分共享专家塔和特定任务专家塔的门控 (CGC) 模型，另一部分是由单层CGC结构扩展到多层的PLE模型,
+模型主要结构如下：
+<p align="center">
+<img align="center" src="../../../doc/imgs/ple.png">
+<p>
+
 
-### 效果复现
+## 效果复现
 为了方便使用者能够快速的跑通每一个模型，我们在每个模型下都提供了样例数据。如果需要复现readme中的效果,请按如下步骤依次操作即可。 
 在全量数据下模型的指标如下：
 | 模型 | auc_marital | batch_size | epoch_num | Time of each epoch |